Echo2Action

Proyecto desarrollado durante GEN AI ARENA, el hackathon de IA aplicada al marketing organizado por SIDN.

Echo2Action fue desarrollado junto a mi amigo Daniel: https://github.com/danicode-dev.

La idea del proyecto es convertir reseñas públicas dispersas en insights accionables para tiendas físicas. En lugar de leer manualmente cientos de comentarios de clientes, Echo2Action clasifica el feedback, detecta fricciones repetidas, prioriza los problemas con mayor impacto y genera acciones concretas para equipos de marketing, atención al cliente y operaciones.

Qué problema resuelve

Las marcas con red de tiendas físicas reciben reseñas en muchas plataformas: Google Reviews, Google Play, Trustpilot y otros canales. Aunque la valoración media pueda ser buena, las reseñas negativas suelen esconder problemas operativos importantes: mala atención, esperas largas, errores de facturación, incidencias sin resolver o diferencias entre tiendas.

Echo2Action ayuda a pasar de comentarios sueltos a decisiones accionables:

• Agrupa reseñas por marca, tienda, tema, etapa del cliente y punto de contacto.
• Clasifica sentimiento y severidad.
• Prioriza los clusters de fricción mediante un impact_score.
• Genera propuestas de acción con IA.
• Muestra los resultados en un dashboard preparado para equipos no técnicos.

Piloto

El piloto se centró en tiendas de Granada y trabajó con reseñas públicas de redes retail como MASLIFE y Orange.

El objetivo era demostrar cómo una empresa puede detectar rápidamente qué tiendas o temas requieren atención prioritaria y qué acciones concretas puede tomar.

Funcionalidades principales

• Dashboard general con KPIs, mapa de tiendas y ranking de riesgos.
• Página de insights con clusters priorizados y evidencia real.
• Explorador de reseñas filtrable por fuente, sentimiento y severidad.
• Detalle por tienda física con temas principales y reseñas asociadas.
• Pipeline de clasificación con Vertex AI / Gemini.
• Generación de acciones: FAQ, mejora de copy, respuesta pública sugerida y recomendación de CX.
• Modo demo estático para ejecutar el frontend sin depender de Google Cloud.

Stack técnico

• Frontend: Next.js, React, TypeScript, Tailwind CSS, Recharts, Leaflet.
• Backend: Python, FastAPI, Pydantic.
• Datos: CSV, BigQuery, almacenamiento local JSONL para demo.
• IA: Vertex AI, Gemini, clasificación automática y generación de acciones.
• Scraping y fuentes: Node.js, Puppeteer, Google Reviews, Google Play y Trustpilot.
• Infraestructura: Docker y GitHub Actions.

Estructura del repositorio

backend/     API FastAPI, pipeline de datos, clasificación, clustering y acciones.
frontend/    Dashboard en Next.js.
scrapeo/     Scripts de extracción de reseñas públicas.
docs/        Documentación del MVP, demo y presentación.
RUN.md       Guía extendida para ejecutar el proyecto.

Cómo arrancarlo en modo demo

El modo demo solo necesita el frontend y usa datos estáticos ya generados.

cd frontend
npm install
NEXT_PUBLIC_USE_STATIC_API=1 npm run dev

En Windows PowerShell:

cd frontend
npm install
$env:NEXT_PUBLIC_USE_STATIC_API="1"; npm run dev

La aplicación se abre por defecto en http://localhost:3000.

Cómo arrancarlo en modo live

cd backend
python -m venv .venv
pip install -r requirements.txt
cp .env.example .env
make run

En otra terminal:

cd frontend
npm install
npm run dev

El modo live requiere configurar credenciales y variables de entorno para Google Cloud, BigQuery y Vertex AI. El archivo backend/.env.example sirve como plantilla y no contiene secretos reales.

Contexto del evento

GEN AI ARENA fue un hackathon presencial de SIDN centrado en resolver retos reales de negocio y marketing digital mediante IA generativa, trabajo colaborativo y metodología Agile.

Proyecto presentado en abril de 2026.